• AAumentar o número de chunks recuperados para 10 e concatená-los em um único contexto, pois quanto mais informação fornecida ao LLM, maior a probabilidade de ele encontrar a resposta correta, independentemente da relevância.
• BImplementar um agente de decomposição de consultas que divida a pergunta original em subperguntas independentes, recupere chunks para cada subpergunta e, em seguida, sintetize a resposta final combinando as evidências, utilizando um mecanismo de verificação de consistência entre as fontes.
• CSubstituir o recuperador vetorial por um modelo de recuperação baseado em palavras-chave (BM25) e aumentar o tamanho dos chunks para incluir documentos completos, garantindo que todas as informações necessárias estejam presentes no contexto.
• DAjustar o parâmetro de temperatura do LLM para zero, a fim de eliminar a criatividade do modelo e forçar respostas mais factuais, e reduzir o número de chunks recuperados para 1, evitando confusão com informações contraditórias.
• ERealizar um fine-tuning do LLM com um conjunto de perguntas e respostas completas sobre contratos administrativos, para que o modelo aprenda a combinar automaticamente as informações de múltiplos documentos sem depender da recuperação.

Atalhos: A–E marca · Shift+letra corta · Enter próxima

Selecione uma alternativa pra criar sua conta e salvar o progresso.